融合主题信息的卷积神经网络文本分类方法研究

作     者：杨锐 陈伟 何涛 张敏 李蕊伶 岳芳 Yang Rui;Chen Wei;He Tao;Zhang Min;Li Ruiling;Yue Fang

作者机构：中国科学院武汉文献情报中心湖北武汉430074 科技大数据湖北省重点实验室湖北武汉430074 中国科学院大学经济与管理学院北京100190 海军工程大学信息安全系湖北武汉430033 

出 版 物：《现代情报》 (Journal of Modern Information)

年 卷 期：2020年第40卷第4期

页      面：42-49页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国科学院文献情报能力建设专项“文献情报’数据湖’及开放式大数据框架建设”(项目编号:院1852) 中国科学院战略研究和决策支持系统建设专项(项目编号:GHJ-ZLZX-2019-35) 中国科学院青年创新促进会项目(项目编号:2017221) 中国科学院变革性洁净能源关键技术与示范战略性先导科技专项战略研究课题(项目编号:XDA21010100) 中国科学院文献情报能力建设专项经费(项目编号:Y9290001) 

主　　题：能源政策 卷积神经网络 文本分类 词向量 文本向量 

摘      要：[目的/意义]针对能源政策语义信息丰富的特点,研究不同环境下卷积神经网络模型对能源政策文本特征分类识别的效果并提出优化方法,辅助能源政策信息资源进行自动分类操作,方便研究人员更好地进行能源政策解读。[方法/过程]在不同环境下利用字符级和词级卷积神经网络模型对能源政策自动文本分类识别效果进行实验,从标题、内容、核心主题句等角度全面对比分析,利用Doc2Vec抽取不同比例核心主题句,将这些主题信息融入卷积神经网络模型中以对实验进行优化。[结果/结论]随着核心主题句抽取率的提高F1均值呈正态分布,当抽取率为70%时达到平衡,神经网络模型评估F1均值为83.45%,较实验中的其它方法均有所提高,通过Doc2Vec提取主题信息,并将其融入卷积神经网络的方法有效提升了卷积神经网络模型自动文本分类的效果。